<![CDATA[Abstrak Memeriksa kadar hemoglobin pada darah merupakan salah satu cara untuk mengetahui bila seseorang memiliki penyakit anemia. Umumnya, untuk mendeteksi anemia dibutuhkan sampel darah. Namun, cara tersebut bersifat invasive karena menggunakan jarum suntik. Terdapat cara non-invasive sebagai alternatif untuk mendeteksi anemia, yaitu memeriksa tingkat kepucatan konjungtiva pada mata. Berdasarkan permasalahan tersebut, pada tugas akhir ini penulis akan melakukan pengolahan citra digital untuk mendeteksi kepucatan konjungtiva pada mata. Hal ini dilakukan dengan menguji citra Red Green Blue (RGB), Hue Saturation Value (HSV) dan grayscale menggunakan metode ciri statistik orde satu. Hasil dari ekstraksi ciri diklasifikasikan menggunakan metode Jaringan Saraf Tiruan – Backpropagation (JST-BP). Dengan menggunakan metode tersebut, sistem untuk mendeteksi anemia mempunyai perfomansi dengan tingkat akurasi terbesar 70% dengan waktu komputasi 8,56 detik dengan menggunakan 40 sampel citra latih dan 40 citra uji. Dengan adanya sistem ini dapat menjadi pembanding dengan pendeteksian anemia secara invasive dan dapat bermanfaat untuk kesehatan masyarakat. Kata kunci: Hemoglobin; Konjungtiva; Anemia; Citra; Jaringan Saraf Tiruan Abstract Checking the hemoglobin level in the blood is one way to know if someone has anemia. Generally, to detect anemia requires blood samples. However, the method is invasive because it uses a syringe. There is a noninvasive way as alternative to detect anemia, such as checking the conjunctival pallor level of the eye. Based on these problems, in this thesis the author will perform digital image processing to detect the conjunctival pallor level of the eye. This is done by testing Red Green Blue (RGB), Hue Saturation Value (HSV) and grayscale using first order of statistical feature methods. The results of feature extraction are classified using the Artificial Neural Network method - Backpropagation (JST-BP). Using this method, the system for detecting anemia has performance with the greatest accuracy of 70% with computation time of 8.56 seconds using 40 sample of training image and 40 test images. With this system can be a comparison with invasive anemia detection and can be beneficial to public health. Keywords: Hemoglobin; Conjunctiva; Anemia; Image; Artificial Neural Network]]>
